論文の概要: How Powerful is Graph Filtering for Recommendation
- arxiv url: http://arxiv.org/abs/2406.08827v1
- Date: Thu, 13 Jun 2024 05:37:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-10 22:08:53.919731
- Title: How Powerful is Graph Filtering for Recommendation
- Title（参考訳）: レコメンデーションのためのグラフフィルタリングはいかに強力か
- Authors: Shaowen Peng, Xin Liu, Kazunari Sugiyama, Tsunenori Mine,
- Abstract要約: グラフフィルタリングのパワーを抑制する2つの制限を示す。
様々なノイズ分布のため、グラフフィルタは全ての周波数にノイズが散らばっているスパースデータを劣化させることができない。
教師付きトレーニングは、トレーニングなしでグラフフィルタによって除去できる中周波数にノイズが集中している高密度データに対して、より悪いパフォーマンスをもたらす。
- 参考スコア（独自算出の注目度）: 7.523823738965443
- License:
- Abstract: It has been shown that the effectiveness of graph convolutional network (GCN) for recommendation is attributed to the spectral graph filtering. Most GCN-based methods consist of a graph filter or followed by a low-rank mapping optimized based on supervised training. However, we show two limitations suppressing the power of graph filtering: (1) Lack of generality. Due to the varied noise distribution, graph filters fail to denoise sparse data where noise is scattered across all frequencies, while supervised training results in worse performance on dense data where noise is concentrated in middle frequencies that can be removed by graph filters without training. (2) Lack of expressive power. We theoretically show that linear GCN (LGCN) that is effective on collaborative filtering (CF) cannot generate arbitrary embeddings, implying the possibility that optimal data representation might be unreachable. To tackle the first limitation, we show close relation between noise distribution and the sharpness of spectrum where a sharper spectral distribution is more desirable causing data noise to be separable from important features without training. Based on this observation, we propose a generalized graph normalization G^2N to adjust the sharpness of spectral distribution in order to redistribute data noise to assure that it can be removed by graph filtering without training. As for the second limitation, we propose an individualized graph filter (IGF) adapting to the different confidence levels of the user preference that interactions can reflect, which is proved to be able to generate arbitrary embeddings. By simplifying LGCN, we further propose a simplified graph filtering (SGFCF) which only requires the top-K singular values for recommendation. Finally, experimental results on four datasets with different density settings demonstrate the effectiveness and efficiency of our proposed methods.
- Abstract（参考訳）: グラフ畳み込みネットワーク(GCN)のレコメンデーション効果はスペクトルグラフフィルタリングによるものであることが示されている。
ほとんどのGCNベースの手法はグラフフィルタで構成されており、次に教師付きトレーニングに基づいて最適化された低ランクマッピングが続く。
しかし、グラフフィルタリングのパワーを抑える2つの制限が示される: (1) 一般性の欠如。
様々なノイズ分布のため、グラフフィルタは、全ての周波数にノイズが散らばっているスパースデータを劣化させるのに失敗し、教師付きトレーニングは、トレーニングなしでグラフフィルタによって除去できる中域周波数に集中している密集データに対して、より悪いパフォーマンスをもたらす。
2)表現力の欠如。
理論的には、協調フィルタリング(CF)に有効な線形GCN(LGCN)が任意の埋め込みを生成できないことを示し、最適データ表現が到達不能である可能性を示唆している。
第1の限界に対処するために、よりシャープなスペクトル分布が望ましいスペクトルのシャープさとノイズ分布の密接な関係を示す。
そこで本研究では,データノイズを再分配するために,スペクトル分布のシャープネスを調整するための一般化グラフ正規化G^2Nを提案する。
第2の制限については、相互作用が反映できるユーザ嗜好の異なる信頼度に適応し、任意の埋め込みを生成できることが証明された個別グラフフィルタ(IGF)を提案する。
さらに,LGCNの簡易化により,トップK特異値のみを推奨する簡易グラフフィルタリング(SGFCF)を提案する。
最後に, 密度設定の異なる4つのデータセットに対する実験結果から, 提案手法の有効性と有効性を示した。
関連論文リスト
- Spectral Greedy Coresets for Graph Neural Networks [61.24300262316091]
ノード分類タスクにおける大規模グラフの利用は、グラフニューラルネットワーク(GNN)の現実的な応用を妨げる
本稿では,GNNのグラフコアセットについて検討し,スペクトル埋め込みに基づくエゴグラフの選択により相互依存の問題を回避する。
我々のスペクトルグレディグラフコアセット(SGGC)は、数百万のノードを持つグラフにスケールし、モデル事前学習の必要性を排除し、低ホモフィリーグラフに適用する。
論文 参考訳（メタデータ） (2024-05-27T17:52:12Z) - Graph Neural Network Surrogates of Fair Graph Filtering [13.854091527965297]
後続目的に対するフィルタ対応ユニバーサル近似フレームワークを提案する。
これにより、実行時にトレーニングされた適切なグラフニューラルネットワークが、フィルタと同じようなものになる。
私たちは、パリティ制約を満たす際の代替手段よりも、我々のアプローチが等しく良いか、あるいは優れていることを示しています。
論文 参考訳（メタデータ） (2023-03-14T18:14:40Z) - Beyond Low-pass Filtering: Graph Convolutional Networks with Automatic
Filtering [61.315598419655224]
グラフ信号の全スペクトルをキャプチャする自動グラフ畳み込みネットワーク(AutoGCN)を提案する。
グラフスペクトル理論に基づいているが、私たちのAutoGCNも空間に局在しており、空間形式を持っている。
論文 参考訳（メタデータ） (2021-07-10T04:11:25Z) - Graph Neural Networks with Adaptive Frequency Response Filter [55.626174910206046]
適応周波数応答フィルタを用いたグラフニューラルネットワークフレームワークAdaGNNを開発した。
提案手法の有効性を,様々なベンチマークデータセット上で実証的に検証した。
論文 参考訳（メタデータ） (2021-04-26T19:31:21Z) - FiGLearn: Filter and Graph Learning using Optimal Transport [49.428169585114496]
信号観測からグラフとその生成フィルタを学習するための新しいグラフ信号処理フレームワークを提案する。
ごくわずかな情報しか得られない場合、このフレームワークが欠落した値を推測するのにどのように使えるかを示す。
論文 参考訳（メタデータ） (2020-10-29T10:00:42Z) - Unrolling of Deep Graph Total Variation for Image Denoising [106.93258903150702]
本稿では,従来のグラフ信号フィルタリングと深い特徴学習を併用して,競合するハイブリッド設計を提案する。
解釈可能な低パスグラフフィルタを用い、最先端のDL復調方式DnCNNよりも80%少ないネットワークパラメータを用いる。
論文 参考訳（メタデータ） (2020-10-21T20:04:22Z) - Adaptive Graph Encoder for Attributed Graph Embedding [36.06427854846497]
分散グラフ埋め込みは、グラフトポロジとノード特徴からベクトル表現を学ぶ。
本稿では,新しい属性グラフ埋め込みフレームワークであるAdaptive Graph(AGE)を提案する。
4つの公開ベンチマークデータセットを用いてノードクラスタリングとリンク予測タスクのAGEを検証する実験を行った。
論文 参考訳（メタデータ） (2020-07-03T10:20:34Z) - Filter Grafting for Deep Neural Networks: Reason, Method, and
Cultivation [86.91324735966766]
フィルタは現代の畳み込みニューラルネットワーク(CNN)のキーコンポーネントである
本稿では,この目的を達成するためにフィルタグラフト(textbfMethod)を導入する。
我々は,フィルタの情報を測定するための新しい基準と,グラフトされた情報をネットワーク間でバランスをとるための適応重み付け戦略を開発する。
論文 参考訳（メタデータ） (2020-04-26T08:36:26Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。